Neural ODE
En Neural ODE, introdusert av Chen og kolleger i 2018, modellerer en skjult tilstand som den kontinuerlige løsningen av en ordinær differensialligning hvis dynamikk er parametrisert av et nevralt nettverk. Den generaliserer grensetilfellet av residualkoblinger, noe som gjør den godt egnet for uregelmessig samplede tidsserier og fysikkbasert modellering.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Chen, T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. (2018). Neural Ordinary Differential Equations. Advances in Neural Information Processing Systems (NeurIPS). link ↗
- Rubanova, Y., Chen, T. Q. & Duvenaud, D. (2019). Latent ODEs for Irregularly-Sampled Time Series. Advances in Neural Information Processing Systems (NeurIPS). link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/no/deep-learning/neural-ode
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- LSTMDyp læring↔ compare
- Random ForestMaskinlæring↔ compare
- Residuelle nevrale nettverkDyp læring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →